agents-use

一个面向多智能体产品的 Monorepo。

这个项目最值得开源的部分，不只是“做了一个 AI 产品”，而是它的生产方式:

• 项目代码全部由 AI Coding 编写
• 通过多个 SKILL 给 AI 建立稳定围栏
• 采用 SDD（Spec-Driven Development，规范驱动开发）推进需求、实现、修正与审查
• 产品层与 AI Runtime 解耦，AI 核心后端基于 Mastra，当前仓库聚焦产品侧能力

如果你关注“如何把 AI 从补全工具，提升为可控工程产能”，这个仓库更接近一种工程实践样本。它也可以看作与 Harness 提倡的“驾驭工程”方向相呼应的一次落地尝试：不是放任 AI 自由生成，而是通过规则、规格、阶段和边界来驾驭 AI。

核心定位

agents-use 不是一个把 AI Runtime 和产品代码强绑在一起的 Demo。

这里的设计思路是：

• Mastra 负责 AI Runtime、Agent / Workflow 能力与运行时编排
• 当前仓库负责产品侧 Web、BFF、共享契约、UI、数据访问与集成适配
• 通过明确边界，让产品层可以演进，AI 核心后端也可以独立替换或扩展

换句话说，这个仓库当前更像是一个 AI 产品外壳与产品工程基座，而不是 AI Runtime 本体。

这个项目想验证什么

• AI 是否可以在真实工程里承担“主要编码者”而不只是辅助补全
• 通过 SKILL + docs/rules + docs/changes，能否把 AI 的输出从“偶尔可用”变成“持续可控”
• 规范驱动开发能否成为 AI Coding 的默认工作流，而不是事后补文档
• 在产品层与 Mastra Runtime 解耦的前提下，是否能保持足够清晰的架构边界

工程方法

1. AI Coding，不是口号

项目实现全部由 AI Coding 推进，不把 AI 仅仅当作生成代码片段的助手，而是把它放进一个受约束的工程流程里执行。

2. 用 SKILL 给 AI 建围栏

仓库内的 /.agents/skills 提供了一组工作流技能，例如：

• spec-propose
• spec-apply
• spec-review
• spec-fix
• spec-archive

这些 SKILL 不是提示词装饰，而是实际的执行围栏。它们把需求澄清、规格确认、代码实现、质量审查和归档沉淀拆成明确阶段，减少 AI 在工程上下文里“自由发挥”带来的漂移。

3. SDD / 规范驱动开发

仓库默认遵循 Spec-Driven Development：

• 先在 docs/changes/ 中定义变更
• 再依据 spec.md、tasks.md、log.md 推进实现
• 审查和修正也回到同一份规范闭环

这意味着文档不是结果物，而是执行入口。代码不是脱离上下文独立生长，而是持续受规范约束。

仓库结构

apps/
  web/        # 产品前端
  api/        # 产品后端 / BFF
packages/
  shared/     # 共享类型、Schema、契约
  ui/         # 共享 UI 组件与样式能力
  ai-sdk/     # Mastra Runtime 集成与协议适配
  database/   # Prisma 与数据访问边界
docs/         # 规则、知识、变更规格
.agents/      # AI Skills 与执行围栏

快速理解这个仓库

• 想看工程规则，从 docs/rules/README.md 开始
• 想看项目上下文与分层边界，读 docs/rules/project-context.md
• 想看规范驱动的变更记录，读 docs/changes/README.md
• 想看 AI 围栏能力，读 /.agents/skills

本地运行

pnpm install
pnpm dev

常用命令：

• pnpm build
• pnpm typecheck
• pnpm lint
• pnpm test

为什么开源

开源这个项目，不只是为了展示一个多智能体产品原型，而是希望把一套更可复用的 AI Coding 工程方法公开出来：

• 如何给 AI 设规则，而不是只给它任务
• 如何把规格、实现、审查串成闭环
• 如何在 Mastra 这类 AI Runtime 之上，建设清晰的产品侧工程

如果你也在尝试把 AI 引入正式研发流程，这个仓库可以作为一个可直接拆解的参考样本。